મિડવાઇફરીમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સનો પરિચય: ભૂમિકાઓ, સીમાઓ, માન્યતા અને નૈતિકતા

નફો:

• જોખમ સ્તર અનુસાર મિડવાઇફરી જોબ્સને લીલો (આરામથી ઉપયોગ કરો), પીળો (સપોર્ટ, કાળજીપૂર્વક) અને લાલ (કૃત્રિમ બુદ્ધિ નક્કી કરતું નથી) ઝોનમાં તફાવત કરવાની ક્ષમતા
• આભાસના જોખમને ઓળખવાની અને વેરીફાઈ-કસ્ટમાઇઝ-લિંક શિસ્ત સાથે દરેક AI આઉટપુટને સુરક્ષિત કરવાની ક્ષમતા
• ગોપનીયતા અને જવાબદારીના સિદ્ધાંતોને અપનાવવાની અને લાગુ કરવાની ક્ષમતા કે તબીબી નિર્ણય હંમેશા મિડવાઇફ અને ચિકિત્સક પાસે રહે છે.

મિડવાઇફરી એ એક એવો વ્યવસાય છે જે એક જ દિવસમાં ઘણી જુદી જુદી નોકરીઓ એકસાથે લાવે છે. મિડવાઇફ સગર્ભા સ્ત્રીનું બ્લડ પ્રેશર માપે છે અને સવારે પરીક્ષણ પરિણામોનું મૂલ્યાંકન કરે છે, બપોરે બેચેન સગર્ભા માતાને શાંત કરે છે, બપોરે સ્તનપાનની સ્થિતિ સુધારે છે, સાંજે પ્રિનેટલ એજ્યુકેશન બ્રોશર તૈયાર કરે છે અને દિવસના અંતે તેની નોંધો લખે છે. આમાંના કેટલાક કાર્યમાં માહિતી ગોઠવવી, લખાણ બનાવવા અને યાદ રાખવાનો સમાવેશ થાય છે; તેમાંના કેટલાક ક્લિનિકલ નિર્ણયો છે જેમાં ભૂલના સંકુચિત માર્જિન છે જે માતા અને બાળકના સ્વાસ્થ્યની સીધી ચિંતા કરે છે. આ આખું મોડ્યુલ તમને આ બે જૂથોને સ્પષ્ટ રીતે અલગ કરવાનું અને માત્ર પ્રથમ જૂથમાં જ સુરક્ષિત મર્યાદામાં કૃત્રિમ બુદ્ધિમત્તાનો ઉપયોગ કરવાનું શીખવે છે.

આર્ટિફિશિયલ ઇન્ટેલિજન્સ (ટૂંકમાં AI; કોમ્પ્યુટર સિસ્ટમ કે જેને મોટા પ્રમાણમાં ટેક્સ્ટ પર તાલીમ આપવામાં આવી છે અને તે માનવ ભાષાઓમાં લખી અને વાંચી શકે છે) જ્યારે યોગ્ય રીતે ઉપયોગ કરવામાં આવે ત્યારે મિડવાઇફરી પ્રેક્ટિસ માટે એક શક્તિશાળી સહાય છે. અહીં અમે ખાસ કરીને મોટા ભાષાના મોડલ (LLM; AI નો એક પ્રકાર કે જે તમારી સાથે પત્રવ્યવહાર કરીને ટેક્સ્ટ ઉત્પન્ન કરે છે — ઉદાહરણ તરીકે, ચેટ સહાયક) પ્રકારનાં સાધનો વિશે વાત કરી રહ્યા છીએ. આ સાધનો ટેક્સ્ટનો સારાંશ આપે છે, બ્રોશરને સરળ બનાવે છે, વાર્તાનું સંકલન કરે છે, મુલાકાતનો સંદેશ લખે છે. પરંતુ તે નિદાન કરતું નથી, જોખમને રેટ કરતું નથી અથવા દવાની ભલામણ કરતું નથી. આખા મોડ્યુલમાં આપણે જે મુખ્ય સિદ્ધાંતનું પુનરાવર્તન કરીશું તે છે:

કૃત્રિમ બુદ્ધિ એ સહાયક છે: તે ડ્રાફ્ટ બનાવે છે, યાદ અપાવે છે, સરળ બનાવે છે. નિદાન, જોખમનો નિર્ણય, દવા અને ક્લિનિકલ માર્ગદર્શનની જવાબદારી મિડવાઇફ અને ફિઝિશિયનની છે. વણચકાસાયેલ AI આઉટપુટ સહી વગરની દર્દીની નોંધ જેવું છે; તેના પોતાના પર કોઈ બંધનકર્તા અસર નથી.

મિડવાઇફરીમાં AI બરાબર શું ઝડપે છે?

મિડવાઇફરીમાં AI નું મૂલ્ય સમજવા માટે, ચાલો જોખમ સ્તરના આધારે વસ્તુઓને ત્રણ ક્ષેત્રોમાં વહેંચીએ. આ તફાવત બાકીના મોડ્યુલ માટે હાડપિંજર છે.

ગ્રીન ઝોન — AIનો આરામથી ઉપયોગ કરો (ટેક્સ્ટ અને માહિતીનું કાર્ય): શૈક્ષણિક બ્રોશરનો ડ્રાફ્ટ, સગર્ભા સ્ત્રીને એપોઇન્ટમેન્ટ અને તૈયારીનો સંદેશ, જટિલ તબીબી ટેક્સ્ટનો સાદી ભાષામાં અનુવાદ, હેન્ડઓવર નોટને સુવ્યવસ્થિત કરવી, બહુભાષી માહિતીના ટેક્સ્ટનો પ્રથમ અનુવાદ, કોઈ વિષય પર વર્તમાન સાહિત્ય ક્યાં જોવાનું છે તેનો માર્ગ નકશો. અહીં AI સમય બચાવે છે અને જ્યારે મિડવાઇફ તેને વાંચે છે અને સુધારે છે ત્યારે આઉટપુટની ભૂલ સરળતાથી પકડાય છે.

યલો ઝોન — સાવધાની સાથે AI નો ઉપયોગ કરો, માત્ર સમર્થન તરીકે: વાર્તામાં જોખમી પરિબળોને સૂચિબદ્ધ કરો (રિમાઇન્ડર તરીકે, નિર્ણય નહીં), રેડ ફ્લેગ ચેકલિસ્ટ બનાવવું, સંભવિત વિભેદક પરિસ્થિતિઓને "ધ્યાનમાં લાવવું". અહીં AI એક ચેકલિસ્ટ / ભૂલી ઢાલ તરીકે કામ કરી શકે છે; પરંતુ મિડવાઇફ યાદીમાંની દરેક વસ્તુને પોતાની જાણકારીથી ફિલ્ટર કરે છે અને નિર્ણય મિડવાઇફ પાસે રહે છે.

રેડ ઝોન - AI નિર્ણયો લેતું નથી: નિદાન કરવું (દા.ત., પ્રિક્લેમ્પસિયા નિદાન), જોખમનું રેટિંગ અને રેફરલ નિર્ણય લેવો, દવા અને ડોઝ નક્કી કરવા, મજૂરીનું સંચાલન, કટોકટી દરમિયાનગીરીનો નિર્ણય. આ પ્રદેશમાં, AI આઉટપુટ વધુમાં વધુ એક ઇનપુટ હોઈ શકે છે; જવાબદારી ક્યારેય લઈ શકતા નથી.

ટીપ: AI ને કોઈ કાર્ય આઉટસોર્સ કરતા પહેલા, તમારી જાતને એક પ્રશ્ન પૂછો: "જો આ આઉટપુટ ખોટું છે, તો કોને અને કેટલી ઝડપથી અસર થશે?" જો નુકસાન ઝડપથી અને સીધું માતા/બાળકને થાય છે, તો તમે રેડ ઝોનમાં છો; AI નો ઉપયોગ ફક્ત ટેક્સ્ટને સંપાદિત કરવા માટે કરો, તેનો નિર્ણય કરવા માટે નહીં.

આભાસ: શા માટે AI આત્મવિશ્વાસપૂર્ણ લાગે છે પરંતુ ખોટું છે

મોટા ભાષાના મોડેલોની સૌથી ખતરનાક વિશેષતા એ ભ્રામકતા છે: મોડેલ એવી માહિતી ઉત્પન્ન કરે છે જે વાસ્તવમાં અસ્તિત્વમાં નથી, અસ્ખલિત અને આત્મવિશ્વાસપૂર્ણ ભાષામાં, જેમ કે તે સાચું હોય. "મને ખબર નથી" કહેવાને બદલે AI વિશ્વાસપાત્ર બનાવટ વડે અંતરને ભરી શકે છે. મિડવાઇફરીમાં આના નક્કર ઉદાહરણોમાં નીચેનાનો સમાવેશ થાય છે: એક માર્ગદર્શિકા નિવેદન બનાવવું જે અસ્તિત્વમાં નથી, આત્મવિશ્વાસપૂર્વક ખોટી દવાની માત્રા સૂચવવી, પરખ મૂલ્ય માટે ખોટી "સામાન્ય શ્રેણી" આપવી, એક અભ્યાસ ટાંકીને જે વાસ્તવમાં પ્રકાશિત થયો નથી.

આભાસ એ "માલફંક્શન" નથી પરંતુ આ સાધનો જે રીતે કાર્ય કરે છે તેનું કુદરતી પરિણામ છે; સંપૂર્ણપણે અદૃશ્ય થઈ જતું નથી. તેથી, ઉકેલ એઆઈ પર આધાર રાખવાનો નથી, પરંતુ સ્વતંત્ર સ્ત્રોતમાંથી દરેક સંખ્યાત્મક અને ક્લિનિકલ નિવેદનોને ચકાસવા માટે છે. લખાણનો પ્રવાહ એ ચોકસાઈનો પુરાવો નથી.

ચકાસણી શિસ્ત: ANC નિયમ

દરેક AI આઉટપુટને બહાર પાડતા પહેલા તેને ત્રણ પગલાઓમાંથી લો. ચાલો તેને ટૂંકમાં ANC કહીએ: ચકાસો - કસ્ટમાઇઝ કરો - કનેક્ટ કરો.

1. ચકાસો: વર્તમાન અધિકૃત સ્ત્રોત (સ્વાસ્થ્ય મંત્રાલય, સંસ્થાકીય માર્ગદર્શિકા, વિશ્વસનીય વ્યાવસાયિક માર્ગદર્શિકા) તરફથી ટેક્સ્ટમાં દરેક સંખ્યા, માત્રા, મૂલ્યાંકન, સાપ્તાહિક મર્યાદા અને માર્ગદર્શિકા નિવેદનની ચકાસણી કરો. તમે ચકાસી શકતા નથી તે વાક્ય કાઢી નાખો.
2. કસ્ટમાઇઝ કરો: આ સગર્ભા સ્ત્રી, આ સંસ્થા, આ સાંસ્કૃતિક સંદર્ભ માટે સામાન્ય લખાણને અનુકૂલિત કરો. AI સરેરાશ દર્દી માટે લખે છે; તમારી સામે એક વાસ્તવિક વ્યક્તિ છે.
3. લિંક: આઉટપુટને ક્લિનિકલ સંદર્ભ અને જવાબદારીની સાંકળ સાથે લિંક કરો: નોંધ ઉમેરો "આ ડ્રાફ્ટ છે, મિડવાઇફ/ફિઝિશિયનની મંજૂરી જરૂરી છે", જો જરૂરી હોય તો ચિકિત્સકની સલાહ લો.

ત્રણ નાના કેસો

કેસ 1 — બ્રોશર ડ્રાફ્ટ (લીલો વિસ્તાર): એક મિડવાઇફ 20 વિદ્યાર્થીઓ સાથેની ગર્ભાવસ્થા શાળા માટે "ગર્ભાવસ્થા પોષણ" બ્રોશર તૈયાર કરશે. તે AI ને 350 શબ્દોના સરળ ડ્રાફ્ટ માટે પૂછે છે, તે 8 મિનિટમાં મેળવે છે, તેની સંસ્થાના આયર્ન-ફોલિક એસિડ પ્રોટોકોલ અનુસાર 2 વાક્યો સુધારે છે અને તેનું વિતરણ કરે છે. જો તેણે તેને હાથથી લખ્યું હોત, તો તે 45 મિનિટ લેત; AI એ સમય લગભગ 80% ઘટાડ્યો અને ભૂલનું જોખમ ઓછું હતું કારણ કે મિડવાઇફ દરેક નંબરની ચકાસણી કરે છે.

કેસ 2 — નકલી ડોઝ (રેડ ઝોનમાં શિફ્ટ): અન્ય એક મિડવાઇફે YZ ને પૂછ્યું "ગર્ભાવસ્થામાં આયર્નની ઉણપ એનિમિયામાં આયર્નની દૈનિક માત્રા શું છે?" તે પૂછે છે. AI એક વિશ્વાસપાત્ર નંબર આપે છે. જ્યારે મિડવાઇફ સગર્ભા સ્ત્રીને આ વાત સીધી કહેવાની હોય છે, ત્યારે તે અટકી જાય છે અને સંસ્થાકીય પ્રોટોકોલને જુએ છે; તે જુએ છે કે AI દ્વારા આપવામાં આવેલી રેન્જ પ્રોટોકોલ સાથે મેળ ખાતી નથી. ડોઝનો નિર્ણય ચિકિત્સકનો છે; મિડવાઇફ એઆઇ આઉટપુટનો બિલકુલ ઉપયોગ કરતી નથી. નિયમ કામ કરે છે: સંખ્યાત્મક/ક્લિનિકલ આઉટપુટ ચકાસણી વિના ઉપયોગમાં લેવાતું નથી.

કેસ 3 - ઇતિહાસ સંગ્રહ (પીળો ઝોન): ત્રીજી મિડવાઇફ પાસે 12-પાનાની અવ્યવસ્થિત ગર્ભાવસ્થા ફાઇલનો સારાંશ છે (ઓળખતી માહિતીને બાદ કરતાં) અને "મુખ્ય જોખમ પરિબળો" ની સૂચિ માટે પૂછે છે. AI 6 વસ્તુઓનું ઉત્પાદન કરે છે. મિડવાઇફ સૂચિ વાંચે છે, સમજે છે કે 1 આઇટમ ગેરસમજ હતી, તેને દૂર કરે છે અને 1 ખૂટતી વસ્તુ ઉમેરે છે. સૂચિ એ નિર્ણય નથી, પરંતુ મિડવાઇફના મૂલ્યાંકનમાં ઇનપુટ છે.

નકલ કરી શકાય તેવા નમૂનાઓ

તમે નીચેના ચાર નમૂનાઓને તમારી પોતાની પ્રેક્ટિસમાં અનુકૂલિત કરી શકો છો. તે બધામાં શું સામ્ય છે: પ્રોમ્પ્ટમાં ભૂમિકા, મર્યાદા અને ચકાસણીની જરૂરિયાતને ફરીથી લખવી.

ભૂમિકા: તમે અનુભવી મિડવાઇફ માટે જુનિયર આસિસ્ટન્ટ છો. કાર્ય: નીચે આપેલા વિષય પર સગર્ભા સ્ત્રીઓ માટે એક સરળ માહિતીનો ડ્રાફ્ટ લખો. વિષય: [વિષય] નિયમો:- નિદાન ન કરો, દવા/ડોઝ સૂચવો, જોખમ સ્તરીકરણ કરો. તેના બદલે "[મિડવાઇફ વેરિફાઇડ]" લેબલ મૂકો. - ભાષા: 6ઠ્ઠા ધોરણનું સ્તર, ટૂંકા વાક્યો, પ્રથમ ઘટનામાં તબીબી શબ્દ સમજાવો. લંબાઈ: 300 શબ્દો અથવા ઓછા.

નીચેના AI આઉટપુટને "વેરિફિકેશન આંખ" વડે સ્કેન કરો. આઉટપુટ: [ટેક્સ્ટ પેસ્ટ કરો] મને ફક્ત આની સૂચિ આપો: 1) તેમાં દરેક નંબર, ડોઝ, સપ્તાહ અને સામાન્ય રેન્જ સ્ટેટમેન્ટ (અલગથી).2) દરેક વાક્ય જે માર્ગદર્શિકા/પ્રોટોકોલનો સંદર્ભ આપે છે.3) દરેક દાવા ચોક્કસ ("હંમેશા", "ક્યારેય નહીં", "ચોક્કસપણે") ભાષા સાથે. ટિપ્પણીઓ ઉમેરી રહ્યા છે.

ભૂમિકા: તમે ટેક્સ્ટ સરળીકરણ સહાયક છો. કાર્ય: નીચે આપેલા તબીબી ટેક્સ્ટને એવી રીતે લખો કે જે હાઇસ્કૂલ સ્નાતક સગર્ભા માતા સમજી શકે. અર્થ બદલશો નહીં, માહિતી ઉમેરો અથવા દૂર કરશો નહીં. જો તમે કોઈ શબ્દને સરળ બનાવી શકતા નથી, તો તેને કૌંસમાં ટૂંકમાં સમજાવો. ટેક્સ્ટ: [ટેક્સ્ટ]

આ એક ડ્રાફ્ટ હેન્ડઓવર નોંધ છે; ક્લિનિકલ ચુકાદાનો સમાવેશ થતો નથી. નીચેની સ્કેટર્ડ નોંધોને શીર્ષકો દ્વારા ગોઠવો: [સ્ટોરી] [આજે તારણો] [ક્રિયાઓ] [ફોલો-અપ માટે રીમાઇન્ડર્સ].કોઈ નવી માહિતી નિષ્ફળ નથી; જો કોઈ ફીલ્ડ ખૂટે છે, તો "[ખાલી]" લખો. કાચી નોંધ: [નોંધ]

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

<w:tcPr><w:tcW w:type="dxa" w:w="2880"/></w:tcPr><w:p><w:r><w:rPr><w:b/></w:rPr><w:t>નબળું પ્રોમ્પ્ટ

શક્તિશાળી પ્રોમ્પ્ટ

ટેક્સ્ટ

"ગર્ભાવસ્થા દરમિયાન આયર્ન વિશે માહિતી આપો"

"ભૂમિકા: મિડવાઇફ સહાયક. સગર્ભા સ્ત્રીઓ માટે, 6ઠ્ઠા ધોરણના સ્તરે, મહત્તમ 250 શબ્દોની માહિતીપ્રદ રૂપરેખા લખો. ડોઝ/દવા સૂચવો; '[મિડવાઇફ વેરિફાય]' તરીકે તમને ખાતરી ન હોય તે નંબરને ચિહ્નિત કરો."

નિષ્કર્ષ

અનસોર્સ્ડ, ડોઝ અને દાવાઓ ધરાવતું ટેક્સ્ટ ચકાસવું મુશ્કેલ છે

ચકાસવા માટે સ્પષ્ટ સીમાઓ અને ચિહ્નિત વિસ્તારો સાથે સુરક્ષિત રીતે સંપાદનયોગ્ય ડ્રાફ્ટ.

નબળા પ્રોમ્પ્ટ પર, AI પ્રકાશિત થાય છે; તે સરળતાથી રેડ ઝોનમાં પ્રવેશ કરે છે. શક્તિશાળી પ્રોમ્પ્ટમાં, ભૂમિકા, મર્યાદા, ચકાસણી ટેગ અને લંબાઈને શરૂઆતથી વ્યાખ્યાયિત કરવામાં આવે છે; આઉટપુટ મિડવાઇફના નિયંત્રણ હેઠળ રહે છે.

નૈતિકતા અને ગોપનીયતા: શરૂઆતથી જ બે નિયમો

પ્રથમ એકમથી શરૂ કરીને, સમગ્ર મોડ્યુલમાં બે નૈતિક સિદ્ધાંતો લાગુ પડે છે. પ્રથમ ગોપનીયતા છે: સગર્ભા સ્ત્રીનું નામ, ટીઆર આઈડી નંબર, ફોન નંબર, ફાઇલ નંબર, AIનું સરનામું (એકમ 9 માં વિગતો) જેવી ઓળખતી માહિતી ક્યારેય લખશો નહીં. બીજું, પારદર્શિતા અને જવાબદારી: માનવ દ્વારા લખાયેલ AI-જનરેટેડ ટેક્સ્ટને પ્રસ્તુત કરશો નહીં; ક્લિનિકલ દસ્તાવેજ દાખલ કરનાર દરેક નિવેદન જે તેને મંજૂર કરે છે તે મિડવાઇફ માટે જવાબદાર છે.

સાવધાન: AI સાંસ્કૃતિક "સરેરાશ" અનુસાર લખે છે; તેથી, તે કેટલીક સામાજિક, ધાર્મિક અથવા સ્થાનિક સંવેદનશીલતાને અવગણી શકે છે અથવા તેનો ગેરસમજ કરી શકે છે. મિડવાઇફ હંમેશા સાંસ્કૃતિક અનુકૂલન કરે છે (વિગતો એકમ 10 માં).

સામાન્ય ભૂલો

• AI ને "નિર્ણય" માટે પૂછવું: "શું મારે આ સગર્ભા સ્ત્રીનો સંદર્ભ લેવો જોઈએ?" આ જેવા પ્રશ્નો રેડ ઝોન છે; તમે AI ને પૂછી શકતા નથી.
• સંખ્યાઓની ચકાસણી કર્યા વિના તેનો ઉપયોગ કરવો: દરેક સંખ્યાને, જેમ કે ડોઝ, અઠવાડિયું, વિશ્લેષણ અંતરાલ, તેની પુષ્ટિ કર્યા વિના ટેક્સ્ટમાં છોડી દેવી એ સૌથી સામાન્ય અને ખતરનાક ભૂલ છે.
• ઓળખની માહિતી લખવી: સગર્ભા સ્ત્રીને ઓળખી શકાય તેવી કોઈપણ માહિતી પ્રોમ્પ્ટમાં શામેલ થવી જોઈએ નહીં.
• ચોકસાઈ સાથે મૂંઝવણમાં મૂકે છે: ટેક્સ્ટ સારી રીતે લખાયેલ હોવાનો અર્થ એ નથી કે તેની સામગ્રી સાચી છે.
• ભૂમિકા અને મર્યાદા લખતા નથી: અમર્યાદિત સંકેતો અમર્યાદિત (અને જોખમી) આઉટપુટ ઉત્પન્ન કરે છે.
• એક જ આઉટપુટ પર આધાર રાખવો: નિર્ણાયક ગ્રંથો પર, એઆઈને બીજી "વેરિફિકેશન આઈ" તરીકે ફરીથી ચલાવવું અને તેનું પોતાનું આઉટપુટ સ્કેન કરવું ઉપયોગી છે.

સારાંશમાં

કૃત્રિમ બુદ્ધિ એ એક શક્તિશાળી સહાયક છે જે મિડવાઇફરીમાં ટેક્સ્ટ અને માહિતીના કાર્યને વેગ આપે છે; પરંતુ તે નિદાન, જોખમ, દવા અને ક્લિનિકલ રેફરલ જેવા નિર્ણયોને બદલી શકતું નથી. કાર્યોને લીલા (આરામથી ઉપયોગ કરો), પીળો (સપોર્ટ, કાળજીપૂર્વક) અને લાલ (નિર્ણય લેવા) ઝોનમાં વિભાજીત કરો. આભાસના જોખમને કારણે સ્વતંત્ર સ્ત્રોતોમાંથી દરેક આંકડાકીય અને ક્લિનિકલ સ્ટેટમેન્ટની ચકાસણી કરો; દરેક આઉટપુટને Validate–Customize–Link શિસ્ત દ્વારા પસાર કરો. ગોપનીયતા અને જવાબદારીના સિદ્ધાંતો સમગ્ર મોડ્યુલમાં લાગુ પડે છે: નિર્ણય હંમેશા વ્યક્તિ પર હોય છે.

એપ્લિકેશન કાર્ય

તમારા પોતાના સાપ્તાહિક કાર્યોમાંથી 6 પસંદ કરો અને દરેકને લીલા/પીળા/લાલ ઝોનમાં મૂકીને ચાર્ટ બનાવો. ગ્રીન ઝોનમાં વ્યવસાય માટે રૂપરેખા બનાવવા માટે ઉપરના બ્રોશર નમૂનાનો ઉપયોગ કરો; પછી "વેરિફિકેશન આઇ" ટેમ્પલેટ વડે તમારું પોતાનું પ્રિન્ટઆઉટ સ્કેન કરો અને ચકાસણીની જરૂર હોય તેવી વસ્તુઓને ચિહ્નિત કરો. જે નોકરી માટે તમે રેડ ઝોનમાં મુકો છો, બે વાક્યોમાં લખો કે શા માટે તમે AI નો ઉપયોગ કરશો નહીં.

ચેકલિસ્ટ

• [ ] મેં જોબને લીલા/પીળા/લાલ ઝોનમાં મૂક્યું; જો તે લાલ હોય, તો મેં નિર્ણય માટે AI નો ઉપયોગ કર્યો નથી.
• [ ] મેં પ્રોમ્પ્ટમાં ભૂમિકા, મર્યાદા (કોઈ નિદાન/ડોઝ નથી) અને વેરિફિકેશન ટેગ લખ્યા છે.
• [ ] મેં પ્રિન્ટઆઉટમાં દરેક નંબર, માત્રા, અઠવાડિયું અને માર્ગદર્શિકા નિવેદન સ્વતંત્ર રીતે ચકાસ્યું છે.
• [ ] પ્રોમ્પ્ટમાં કોઈ ઓળખાણ માહિતી દાખલ કરવામાં આવી નથી.
• [ ] મેં આઉટપુટને Validate–Customize–Link ના સ્ટેપ્સમાંથી પસાર કર્યું.
• [ ] હું પુષ્ટિ કરું છું કે ક્લિનિકલ દસ્તાવેજમાં દાખલ કરેલ નિવેદન માટે હું જવાબદાર છું.